Ricerca Longitudinale

Transcript

1 Ricerca Longitudinale Rocco Micciolo

2

3 EVIDENZA SCIENTIFICA

4 Cohort Studies Cohort = a group of people having a common characteristic (from the Latin cohors) A closed population Goal: To compare incidences in cohorts for the Goal: To compare incidences in cohorts for the purpose of clarifying risk factors

5

6

7 Misure di occorrenza

8

9 Incidenza = numero di nuovi casi tempo totale di osservazione

10 ID data_entrata data_uscita stato 1 01/01/ /03/ /01/ /04/ /01/ /03/ /01/ /09/ /01/ /04/ /01/ /01/ /01/ /09/ /01/ /01/ /01/ /01/ /01/ /06/ /02/ /01/ /02/ /01/ /10/ /01/ /04/ /01/ /04/ /01/ /07/ /01/ /12/ /01/ /04/ /01/ /02/ /10/ /06/ /04/

11 ID data_entrata data_uscita stato anni-uomo (diff. date) 1 01/01/ /03/ /01/ /04/ /01/ /03/ /01/ /09/ /01/ /04/ /01/ /01/ /01/ /09/ /01/ /01/ /01/ /01/ /01/ /06/ /02/ /01/ /02/ /01/ /10/ /01/ /04/ /01/ /04/ /01/ /07/ /01/ /12/ /01/ /04/ /01/ /02/ /10/ /06/ /04/

12 LE ESPERIENZE DELLE LAUREE TRIENNALI ex DM 509/99

13 Allo scopo di analizzare un insieme di studenti il più possibile omogeneo, le analisi sono state condotte su 6 diverse coorti di immatricolati puri (iscritti per la prima volta all università di Trento e non precedentemente iscritti ad alcun altro ateneo italiano). Le leve prese in esame sono quelle relative ai sei anni accademici compresi fra il 2001/2002 e il 2006/2007. La carriera di ciascuno studente è stata monitorata a partire dalla data di immatricolazione sino alla data di uscita (1/7/2008).

14 Coorte Facoltà Totale Economia Giurisprudenza Ingegneria Lettere e Filosofia Scienze Cognitive Scienze MM., FF., NN Sociologia Ateneo

15 > ok <- which(tempo > 3) > Tempo <- tempo[ok] - 3 > Stato <- stato[ok] > Coorte <- coorte[ok] > n <- length(tempo) > den <- sum(tempo) > num <- sum(stato) > cbind(n,num,den,num/den*100) n num den [1,]

16 Anni dall'immatricolazione Probabilità di laurearsi

17 La Survival Analysis

18 Quanto sopravvive un giovane a casa con i genitori?

19

20

21

22 maschi femmine

23 La relazione Causa - Effetto

24 DETERMINISMO CLASSICO O DELLA CAUSA NECESSARIA E SUFFICIENTE

25 POSTULATI DI KOCH-HENLE 1) REGOLARITÀ: IL MICRORGANISMO E SEMPRE TROVATO IN CASO DI MALATTIA 2) SPECIFICITÀ: IL MICRORGANISMO NON E MAI TROVATO IN MALATTIE DIVERSE 3) RIPRODUCIBILITÀ: ISOLATO DAL MALATO, MANTENUTO IN COLTURA, INIETTATO NELL ANIMALE, INDUCE MALATTIA

26 FATTORE DI RISCHIO SOGGETTI SANI, ESPOSTI A TALE FATTORE, SVILUPPERANNO NEL TEMPO PIÙ CASI DI MALATTIA DEI SOGGETTI SANI NON ESPOSTI; SOGGETTI MALATI RISULTERANNO ESPOSTI IN PASSATO IN MAGGIOR NUMERO RISPETTO A SOGGETTI NON MALATI (CONTROLLI APPROPRIATI)

27 DETERMINISMO PROBABILISTICO DETERMINANTE FATTORE ASSOCIATO ALLA MALATTIA LA CUI PRESENZA AUMENTA IL RISCHIO (PROBABILITÀ) DI MALATTIA LA CUI RIMOZIONE COMPORTA UNA RIDUZIONE DEL RISCHIO DI MALATTIA

28 CAUSA: NECESSARIA & SUFFICIENTE DETERMINANTE: NÉ NECESSARIO NÉ SUFFICIENTE

29 Misure di associazione

30 Relative Risk (RR) RR = I E /I C (incidence in exposed) / (incidence in non- exposed)

31 > ok <- which(sex == "FEMMINA") > n <- length(tempo[ok]) > den <- sum(tempo[ok]) > num <- sum(stato[ok]) > cbind(n,num,den,num/den*100) n num den [1,] > ok <- which(sex == "MASCHIO") > n <- length(tempo[ok]) > den <- sum(tempo[ok]) > num <- sum(stato[ok]) > cbind(n,num,den,num/den*100) n num den [1,] > / [1]

32 Interpretation of Relative Risk RR = 1 Incidence in exposed equal to risk in unexposed (no association) RR > 1 Incidence in exposed greater than risk in unexposed RR < 1 Incidence in exposed less than risk in unexposed (protective)

33 The Framingham Study RR = = RR = 43.5 =

34 Comunicato stampa del 1995: Le persone con colesterolemia elevata possono ridurre il rischio di morte del 22% assumendo il Pravastatin sodico. Significa che su 1000 persone ipercolesterolemiche 220 non avranno gravi attacchi cardiaci o cerebrali?

35 Mortalità tra 1000 soggetti ipercolesterolemici trattati con Pravastatin per 5 anni e 1000 soggetti trattati con placebo (da Skolbekken 1998) decessi Pravastatin 32 Placebo 41 Riduzione del rischio assoluto: il farmaco abbassa il rischio di 9 soggetti su 1000 quindi dello 0.9 % Riduzione del rischio relativo: (= riduzione del rischio assoluto rispetti i decessi senza la cura cioè 9/41) = 22 % Numero di soggetti che è necessario curare per salvare 1 vita: il farmaco impedisce 9 decessi su 1000 ipercolesterolemici (cioè circa 1 su 110); se tratto 111 persone 1 verrà salvata.

36 Un esempio (un po estremo) Con un nuovo farmaco, i decessi passano da 6 su 10 a 3 su 10 Con un nuovo farmaco, i decessi passano da 6 su a 3 su RRA = = 3 10 = 30% RRA = = 10 = = % RRR = = 1 2 = 50% RRR = = = 5 50% 10 NNC = NNC =

37 Odds Ratio

38

39

40 F M Laur Non laur p F = p M 3412 = RR =

41 F M Laur Non laur Odds F = Odds M 1472 = OR = =

42 Esposti Non esposti Casi a b Controlli c d

43 Odds Ratio (Relative Odds) OR = 1 Exposure not related to disease OR > 1 Exposure positively related to disease OR < 1 Exposure negatively related to disease

44 Studi trasversali (cross-sectional) Studi retrospettivi (caso-controllo) Studi longitudinali (di coorte)

45 Case-Control Studies Select individuals based on disease status Study all population case Study a sample of population non-cases ( controls ) Compare exposure status in cases and controls How does this compare to the cohort design?

46 Cross-Sectional Survey Popularity Field surveys became popular in early and middle parts of 20 th century During later half of 20 th century, epidemiologists became increasingly aware of the limitations of cross-sectional surveys

47 Illustrative Example Hollingshead & Redlich (1964) Prevalence per 100,000 Social class Psychosis High 188 Moderate 291 Low 518 Very low 1505 Neurosis

48 Biases in Hollingshead & Redlich (1964) Detection (diagnostic) bias Different diagnostic practices create artificial differences in incidence and prevalence e.g., Poor people labeled psychotic; rich people labeled neurotic Reverse-causality bias Disease causes the exposure e.g., Psychosis causes low SES Prevalence-incidence bias Difference in prevalence but not incidence Hollingshead later found that wealthy people were no more likely to be diagnoses with neurosis, but had more persistent diagnoses (probably due to different type of health care coverage)

49 Correlazioni spurie e variabili nascoste 49

50 Durante i mesi invernali, nelle case in cui è presente un neonato la temperatura viene mantenuta più alta della norma, passando indicativamente dai 16 ai 20 gradi centigradi. Soprattutto nei periodi più rigidi, le cicogne sono attratte dal maggior calore emesso dai camini e nidificano più facilmente su di essi o vi si soffermano più a lungo. È semplice suddividere un ampia area rurale in zone con una popolazione equivalente e contare per ognuna il numero dei camini con cicogne e quello dei bambini neonati. Calcolare la correlazione fra queste due variabili sembra implicare una relazione di causa-effetto tra presenza di cicogne e nascite di bambini che porterebbe a concludere che i bambini sono portati dalle cicogne. 50

51

52

53 53

54 54

55 55

56 56

57 57

58 58

59 59

60 Perché?

61 > tc(berkeley$admit,berkeley$dep) FR.A. I TOTALE %RIGA I DI RIGA %COL. I A I B I C I D I E I F I I 332 I 215 I 596 I 523 I 437 I 668 I 2771 No I 12.0 I 7.8 I 21.5 I 18.9 I 15.8 I 24.1 I 61.2 I 35.6 I 36.8 I 64.9 I 66.0 I 74.8 I 93.6 I I 601 I 370 I 322 I 269 I 147 I 46 I 1755 Yes I 34.2 I 21.1 I 18.3 I 15.3 I 8.4 I 2.6 I 38.8 I 64.4 I 63.2 I 35.1 I 34.0 I 25.2 I 6.4 I TOTALE DI COLONNA CHI QUADRATO = (GRADI DI LIBERTA' = 5) p-value del test chi-quadrato = CELLE CON F.A. < 5 = 0 - CELLE CON F.A. < 1 = 0 Odds Ratio Reciproco

62 > tc(berkeley$sex,berkeley$dep) FR.A. I TOTALE %RIGA I DI RIGA %COL. I A I B I C I D I E I F I I 108 I 25 I 593 I 375 I 393 I 341 I 1835 F I 5.9 I 1.4 I 32.3 I 20.4 I 21.4 I 18.6 I 40.5 I 11.6 I 4.3 I 64.6 I 47.3 I 67.3 I 47.8 I I 825 I 560 I 325 I 417 I 191 I 373 I 2691 M I 30.7 I 20.8 I 12.1 I 15.5 I 7.1 I 13.9 I 59.5 I 88.4 I 95.7 I 35.4 I 52.7 I 32.7 I 52.2 I TOTALE DI COLONNA CHI QUADRATO = (GRADI DI LIBERTA' = 5) p-value del test chi-quadrato = CELLE CON F.A. < 5 = 0 - CELLE CON F.A. < 1 = 0 Odds Ratio Reciproco

63 Confounding Confounding (from confundere to mix up) A distortion of an association brought about by an extraneous factor (confounder) or extraneous factors (confounders) Properties of a confounder: Associate with the exposure Independent risk factors

64 Correlazioni spurie e variabili nascoste Numero di scarpe e lunghezza dei capelli > r(df$scarpe,df$capelli) Coefficiente di correlazione lineare: Numero di coppie di osservazioni : 75 64

65 65

66 66

67 67

68 68